CN114863233A - 一种基于深度神经网络的无人商店的库存管理系统 - Google Patents

一种基于深度神经网络的无人商店的库存管理系统 Download PDF

Info

Publication number
CN114863233A
CN114863233A CN202210405759.2A CN202210405759A CN114863233A CN 114863233 A CN114863233 A CN 114863233A CN 202210405759 A CN202210405759 A CN 202210405759A CN 114863233 A CN114863233 A CN 114863233A
Authority
CN
China
Prior art keywords
feature
commodity
image
features
interactive
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210405759.2A
Other languages
English (en)
Inventor
戴一荻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202210405759.2A priority Critical patent/CN114863233A/zh
Publication of CN114863233A publication Critical patent/CN114863233A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度神经网络的无人商店的库存管理系统，其包括：其包括：商品管理设备、数据管理服务器和数据库，数据服务器分别与商品管理设备和数据库具有通信连接。数据管理服务器接收商品管理设备采集的商品陈列图像，并将商品陈列图像划分为若干个商品图像。数据管理服务器根据商品图像得到实际商品图像，并将所有实际商品图像进图像输入预先训练好的商品分析模型以输出每个实际商品图像对应的商品规格数据。数据管理服务器将商品规格数据按照预设编码规则进行编码以得到商品管理数据，并将商品管理数据同步到企业数据平台以对分析从而得到企业的零售管理数据。

Description

一种基于深度神经网络的无人商店的库存管理系统
技术领域
本发明涉及深度神经网络和库存管理领域，尤其涉及一种基于深度神经网络的无人商店的库存管理系统。
背景技术
深度学习是近年来计算机人工智能领域非常火的研究方向，其相比传统的浅层机器学习而言能够挖掘出更多隐含的特征。深度学习现如今已经广泛的应用与计算机视觉、自然语言处理等领域，因此作为计算机专业人工智能的学习者，学习和研究深度学习是一项必修课。
神经网络作为深度学习的“常客”，是成为构建深度学习框架的主要结构，神经网络以其与人类神经元相类似的元素通过相互连接形成网络拓扑结构，而这种模型能够自主挖掘更深层次特征。
随着科学技术的发展，以及人们对智能化城市的要求不断提高，高效率低成本的无人办公模式越来越受到欢迎，无人商店也应运而生，但无人商店缺乏管理人员，如何更加高效的管理商品库存和货架数据管控十分重要，传统人工进行商品库存管理和货架数据管理的方式不仅人工耗时长得弊端，还容易出错，这对后续的商品管理和成本控制造成了较大的压力。
发明内容
有鉴于此，本发明提供了一种基于深度神经网络的无人商店的库存管理系统，其包括：
商品管理设备、数据管理服务器和数据库，数据服务器分别与商品管理设备和数据库具有通信连接；
商品管理设备采集的商品陈列图像，并将其发送到数据管理服务器；
数据管理服务器根据商品陈列图像的图像特征获取对应商品陈列图像中若干个像素变化一致的像素连通区域，并根据每个像素连通区域的每个像素点的颜色分量对相应像素连通区域进行颜色聚类以将商品陈列图像划分为若干个商品图像；
数据管理服务器分别对商品图像进行特征提取以得到商品图像的图像颜色特征、图像全局特征和图像尺寸特征，并根据每个商品图像的图像颜色特征、图像全局特征和图像尺寸特征对商品图像进行区域划分以提取包含商品信息的商品识别区域；
数据管理服务器提取商品识别区域的深度特征和几何特征，并根据所述深度特征和几何特征对相应商品识别区域进行商品轮廓识别以得到相应商品的商品轮廓线，然后对所述商品轮廓线进行特征点提取以得到商品识别区域的若干个商品关键点；
数据管理服务器根据商品识别区域的所有商品关键点构建商品特征，并对商品特征进行特征重构以得到实际商品图像；
数据管理服务器将所有实际商品图像进图像输入预先训练好的商品分析模型以输出每个实际商品图像对应的商品规格数据，并将所述商品规格数据按照预设编码规则进行编码以得到商品管理数据，然后将商品管理数据同步到企业数据平台以对分析从而得到企业的零售管理数据。
进一步地，所述商品规格数据包括商品名字、商品颜色和商品尺寸；所述零售管理数据包括：货架占有率、陈列合格率和商品库存率。所述商品管理设备为具有图像采集功能和数据采集功能智能设备，其包括：智能手机、平板电脑、智能扫描仪和智能摄像机。
进一步地，所述商品分析模型包括：特征编码模块、关联交互模块、特征变换模块和特征解码模块；所述关联交互模块包括：第一特征处理模块、第二特征处理模块和特征交互模块。
进一步地，数据管理服务器将实际商品图像输入商品分析模型以输出实际商品图像对应的商品规格数据包括：
特征编码模块提取实际商品图像的商品全局特征、颜色局部特征、尺寸局部特征，并根据独热编码采用状态位对实际商品图像的商品全局特征、颜色局部特征、尺寸局部特征进行特征编码以得到全局特征向量、颜色特征向量和尺寸特征向量；
特征变换模块获取全局特征向量与特征库中每个标准商品图像的全局特征向量的相似度以对全局特征向量进行量化；获取颜色特征向量与特征库中每个标准商品图像的颜色特征向量的相似度以对颜色特征向量进行量化；获取尺寸特征向量与特征库中每个标准商品图像的尺寸特征向量的相似度以对尺寸特征向量进行量化；
特征变换模块对量化后的全局特征向量、颜色特征向量和尺寸特征向量进行特征度量，并将进行特征度量后的全局特征向量、颜色特征向量和尺寸特征向量进行加权求和以得到输入特征；
关联交互模块对输入特征进行关联交互以得到关联交互特征；
特征解码模块对关联交互特征进行特征解码以输出实际商品图像对应的商品规格数据。
进一步地，关联交互模块对输入特征进行关联交互以得到关联交互特征包括：
关联交互模块的第一特征处理模块使用拉普拉斯特征映射对输入特征进行降维操作以得到若干个低维特征，并利用第一卷积核对所有的低维特征进行特征加权融合以得到第一融合特征，然后利用第二卷积核对第一融合特征进行卷积操作以得到第一特征；
关联交互模块的第一特征处理模块利用激励函数将第一特征进行归一化操作得到第一权重矩阵，并将输入特征与第一权重矩阵进行特征交互得到第一交互特征；
关联交互模块的第二特征处理模块对输入特征进行转置得到若干个转置特征，并利用第一卷积核对所有转置特征进行特征加权融合以得到第二融合特征，然后利用第二卷积核对第二融合特征进行卷积操作得到第二特征；
关联交互模块的第二特征处理模块利用激励函数将第二特征进行归一化操作以得到第二权重矩阵，并将输入特征和第二权重矩阵进行特征交互以得到转置交互特征，然后将转置交互特征进行转置操作得到第二交互特征；
关联交互模块的特征融合模块将第一交互特征和第二交互特征进行特征融合以得到关联交互特征。
进一步地，特征融合模块将第一交互特征和第二交互特征进行特征融合以得到关联交互特征包括：
特征融合模块分别将第一交互特征和第二交互特征输入卷积神经网络以获取第一交互特征的特征图和第二交互特征的特征图，并获取第一交互特征的特征图和第二交互特征的特征图中每个像素点的最大值以生成线性特征图，然后将线性特征图输入反卷积神经网络以得到线性交互特征；
特征融合模块分别将第一交互特征的特征图和第二交互特征的特征图映射到预设特征空间，并在所述预设特征空间中将第一交互特征和第二交互特征进行特征拼接得到拼接特征，然后通过第一卷积核将拼接特征进行卷积操作以得到拼接交互特征；
特征融合模块将第一交互特征和第二交互特征进行特征相乘以对预设特征空间中的非线性规律进行编码从而得到组合交互特征，并将线性交互特征、拼接交互特征和组合交互特征的对应元素取平均以得到关联交互特征。
本发明具有以下有益效果：本发明通过对无人商店内各货架上采集到的商品陈列图像进行图像处理以得到实际商品图像，并通过所有的实际商品图像精准识别无人商店货架上摆放的商品的型号、颜色和尺寸以实现货架陈列信息采集的智能化和透明化以及高效的库存管理和货架管理，为企业降本增效。
附图说明
图1为一示例性实施例提供的一种基于深度神经网络的无人商店的库存管理系统的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
参见图1，在一个实施例中，一种基于深度神经网络的无人商店的库存管理系统可以包括：商品管理设备、数据管理服务器和数据库，数据服务器分别与商品管理设备和数据库具有通信连接；
商品管理设备采集的商品陈列图像，并将其发送到数据管理服务器；
数据管理服务器根据商品陈列图像的图像特征获取对应商品陈列图像中若干个像素变化一致的像素连通区域，并根据每个像素连通区域的每个像素点的颜色分量对相应像素连通区域进行颜色聚类以将商品陈列图像划分为若干个商品图像；
数据管理服务器分别对商品图像进行特征提取以得到商品图像的图像颜色特征、图像全局特征和图像尺寸特征，并根据每个商品图像的图像颜色特征、图像全局特征和图像尺寸特征对商品图像进行区域划分以提取包含商品信息的商品识别区域；
数据管理服务器提取商品识别区域的深度特征和几何特征，并根据所述深度特征和几何特征对相应商品识别区域进行商品轮廓识别以得到相应商品的商品轮廓线，然后对所述商品轮廓线进行特征点提取以得到商品识别区域的若干个商品关键点；
数据管理服务器根据商品识别区域的所有商品关键点构建商品特征，并对商品特征进行特征重构以得到实际商品图像；
数据管理服务器将所有实际商品图像进图像输入预先训练好的商品分析模型以输出每个实际商品图像对应的商品规格数据，并将所述商品规格数据按照预设编码规则进行编码以得到商品管理数据，然后将商品管理数据同步到企业数据平台以对分析从而得到企业的零售管理数据。
本发明通过对无人商店内各货架上采集到的商品陈列图像进行图像处理以得到实际商品图像，并通过所有的实际商品图像精准识别无人商店货架上摆放的商品的型号、颜色和尺寸以实现货架陈列信息采集的智能化和透明化以及高效的库存管理和货架管理，为企业降本增效。
下面对本发明的工作原理进行说明。在一个实施例中，基于深度神经网络的无人商店的库存管理方法包括：
S1、数据管理服务器接收商品管理设备采集的商品陈列图像，并根据商品陈列图像的图像特征获取对应商品陈列图像中若干个像素变化一致的像素连通区域，然后根据每个像素连通区域的每个像素点的颜色分量对相应像素连通区域进行颜色聚类以将商品陈列图像划分为若干个商品图像。
可选地，所述商品规格数据包括商品名字、商品颜色和商品尺寸；所述零售管理数据包括：货架占有率、陈列合格率和商品库存率。所述商品管理设备为具有图像采集功能和数据采集功能智能设备，其包括：智能手机、平板电脑、智能扫描仪和智能摄像机。
商品陈列图像包括货架上陈列的所有商品的图像。
商品图像用于描述货架上相应商品的外表特征。
S2、数据管理服务器分别对商品图像进行特征提取以得到商品图像的图像颜色特征、图像全局特征和图像尺寸特征，并根据每个商品图像的图像颜色特征、图像全局特征和图像尺寸特征对商品图像进行区域划分以提取包含商品信息的商品识别区域。
商品识别区域为描述商品特征的区域。图像颜色特征用于描述相应商品的颜色，图像全局特征用于描述商品的形状等，图像尺寸信息用于描述商品的尺寸大小。
S3、数据管理服务器提取商品识别区域的深度特征和几何特征，并根据所述深度特征和几何特征对相应商品识别区域进行商品轮廓识别以得到相应商品的商品轮廓线，然后对所述商品轮廓线进行特征点提取以得到商品识别区域的若干个商品关键点。
S4、数据管理服务器根据商品识别区域的所有商品关键点构建商品特征，并对商品特征进行特征重构以得到实际商品图像。
S5、数据管理服务器将所有实际商品图像进图像输入预先训练好的商品分析模型以输出每个实际商品图像对应的商品规格数据，并将所述商品规格数据按照预设编码规则进行编码以得到商品管理数据，然后将商品管理数据同步到企业数据平台以对分析从而得到企业的零售管理数据。
可选地，所述商品分析模型包括：特征编码模块、关联交互模块、特征变换模块和特征解码模块；所述关联交互模块包括：第一特征处理模块、第二特征处理模块和特征交互模块。
在一个实施例中，数据管理服务器将实际商品图像输入商品分析模型以输出实际商品图像对应的商品规格数据包括：
特征编码模块提取实际商品图像的商品全局特征、颜色局部特征、尺寸局部特征，并根据独热编码采用状态位对实际商品图像的商品全局特征、颜色局部特征、尺寸局部特征进行特征编码以得到全局特征向量、颜色特征向量和尺寸特征向量；
特征变换模块获取全局特征向量与特征库中每个标准商品图像的全局特征向量的相似度以对全局特征向量进行量化；获取颜色特征向量与特征库中每个标准商品图像的颜色特征向量的相似度以对颜色特征向量进行量化；获取尺寸特征向量与特征库中每个标准商品图像的尺寸特征向量的相似度以对尺寸特征向量进行量化；
特征变换模块对量化后的全局特征向量、颜色特征向量和尺寸特征向量进行特征度量，并将进行特征度量后的全局特征向量、颜色特征向量和尺寸特征向量进行加权求和以得到输入特征；
关联交互模块对输入特征进行关联交互以得到关联交互特征；
特征解码模块对关联交互特征进行特征解码以输出实际商品图像对应的商品规格数据。
在一个实施例中，关联交互模块对输入特征进行关联交互以得到关联交互特征包括：
关联交互模块的第一特征处理模块使用拉普拉斯特征映射对输入特征进行降维操作以得到若干个低维特征，并利用第一卷积核对所有的低维特征进行特征加权融合以得到第一融合特征，然后利用第二卷积核对第一融合特征进行卷积操作以得到第一特征；
关联交互模块的第一特征处理模块利用激励函数将第一特征进行归一化操作得到第一权重矩阵，并将输入特征与第一权重矩阵进行特征交互得到第一交互特征；
关联交互模块的第二特征处理模块对输入特征进行转置得到若干个转置特征，并利用第一卷积核对所有转置特征进行特征加权融合以得到第二融合特征，然后利用第二卷积核对第二融合特征进行卷积操作得到第二特征；
关联交互模块的第二特征处理模块利用激励函数将第二特征进行归一化操作以得到第二权重矩阵，并将输入特征和第二权重矩阵进行特征交互以得到转置交互特征，然后将转置交互特征进行转置操作得到第二交互特征；
关联交互模块的特征融合模块将第一交互特征和第二交互特征进行特征融合以得到关联交互特征。
在一个实施例中，特征融合模块将第一交互特征和第二交互特征进行特征融合以得到关联交互特征包括：
特征融合模块分别将第一交互特征和第二交互特征输入卷积神经网络以获取第一交互特征的特征图和第二交互特征的特征图，并获取第一交互特征的特征图和第二交互特征的特征图中每个像素点的最大值以生成线性特征图，然后将线性特征图输入反卷积神经网络以得到线性交互特征；
特征融合模块分别将第一交互特征的特征图和第二交互特征的特征图映射到预设特征空间，并在所述预设特征空间中将第一交互特征和第二交互特征进行特征拼接得到拼接特征，然后通过第一卷积核将拼接特征进行卷积操作以得到拼接交互特征；
特征融合模块将第一交互特征和第二交互特征进行特征相乘以对预设特征空间中的非线性规律进行编码从而得到组合交互特征，并将线性交互特征、拼接交互特征和组合交互特征的对应元素取平均以得到关联交互特征。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。

Claims (8)

1.一种基于深度神经网络的无人商店的库存管理系统，其特征在于，其包括：商品管理设备、数据管理服务器和数据库，数据服务器分别与商品管理设备和数据库具有通信连接；
商品管理设备采集的商品陈列图像，并将其发送到数据管理服务器；
数据管理服务器根据商品陈列图像的图像特征获取对应商品陈列图像中若干个像素变化一致的像素连通区域，并根据每个像素连通区域的每个像素点的颜色分量对相应像素连通区域进行颜色聚类以将商品陈列图像划分为若干个商品图像；
数据管理服务器分别对商品图像进行特征提取以得到商品图像的图像颜色特征、图像全局特征和图像尺寸特征，并根据每个商品图像的图像颜色特征、图像全局特征和图像尺寸特征对商品图像进行区域划分以提取包含商品信息的商品识别区域；
数据管理服务器提取商品识别区域的深度特征和几何特征，并根据所述深度特征和几何特征对相应商品识别区域进行商品轮廓识别以得到相应商品的商品轮廓线，然后对所述商品轮廓线进行特征点提取以得到商品识别区域的若干个商品关键点；
数据管理服务器根据商品识别区域的所有商品关键点构建商品特征，并对商品特征进行特征重构以得到实际商品图像；
数据管理服务器将所有实际商品图像进图像输入预先训练好的商品分析模型以输出每个实际商品图像对应的商品规格数据，并将所述商品规格数据按照预设编码规则进行编码以得到商品管理数据，然后将商品管理数据同步到企业数据平台以对分析从而得到企业的零售管理数据。
2.根据权利要求1所述的系统，其特征在于，所述商品管理设备为具有图像采集功能和数据采集功能智能设备，其包括：智能手机、平板电脑、智能扫描仪和智能摄像机。
3.根据权利要求2所述的系统，其特征在于，所述商品分析模型包括：特征编码模块、关联交互模块、特征变换模块和特征解码模块；所述关联交互模块包括：第一特征处理模块、第二特征处理模块和特征交互模块。
4.根据权利要求1至3之一所述的系统，其特征在于，数据管理服务器将实际商品图像输入商品分析模型以输出实际商品图像对应的商品规格数据包括：
特征编码模块提取实际商品图像的商品全局特征、颜色局部特征、尺寸局部特征，并根据独热编码采用状态位对实际商品图像的商品全局特征、颜色局部特征、尺寸局部特征进行特征编码以得到全局特征向量、颜色特征向量和尺寸特征向量；
特征变换模块获取全局特征向量与特征库中每个标准商品图像的全局特征向量的相似度以对全局特征向量进行量化；获取颜色特征向量与特征库中每个标准商品图像的颜色特征向量的相似度以对颜色特征向量进行量化；获取尺寸特征向量与特征库中每个标准商品图像的尺寸特征向量的相似度以对尺寸特征向量进行量化；
特征变换模块对量化后的全局特征向量、颜色特征向量和尺寸特征向量进行特征度量，并将进行特征度量后的全局特征向量、颜色特征向量和尺寸特征向量进行加权求和以得到输入特征；
关联交互模块对输入特征进行关联交互以得到关联交互特征；
特征解码模块对关联交互特征进行特征解码以输出实际商品图像对应的商品规格数据。
5.根据权利要求4所述的系统，其特征在于，关联交互模块对输入特征进行关联交互以得到关联交互特征包括：
关联交互模块的第一特征处理模块使用拉普拉斯特征映射对输入特征进行降维操作以得到若干个低维特征，并利用第一卷积核对所有的低维特征进行特征加权融合以得到第一融合特征，然后利用第二卷积核对第一融合特征进行卷积操作以得到第一特征；
关联交互模块的第一特征处理模块利用激励函数将第一特征进行归一化操作得到第一权重矩阵，并将输入特征与第一权重矩阵进行特征交互得到第一交互特征；
关联交互模块的第二特征处理模块对输入特征进行转置得到若干个转置特征，并利用第一卷积核对所有转置特征进行特征加权融合以得到第二融合特征，然后利用第二卷积核对第二融合特征进行卷积操作得到第二特征；
关联交互模块的第二特征处理模块利用激励函数将第二特征进行归一化操作以得到第二权重矩阵，并将输入特征和第二权重矩阵进行特征交互以得到转置交互特征，然后将转置交互特征进行转置操作得到第二交互特征；
关联交互模块的特征融合模块将第一交互特征和第二交互特征进行特征融合以得到关联交互特征。
6.根据权利要求5所述的系统，其特征在于，特征融合模块将第一交互特征和第二交互特征进行特征融合以得到关联交互特征包括：
特征融合模块分别将第一交互特征和第二交互特征输入卷积神经网络以获取第一交互特征的特征图和第二交互特征的特征图，并获取第一交互特征的特征图和第二交互特征的特征图中每个像素点的最大值以生成线性特征图，然后将线性特征图输入反卷积神经网络以得到线性交互特征；
特征融合模块分别将第一交互特征的特征图和第二交互特征的特征图映射到预设特征空间，并在所述预设特征空间中将第一交互特征和第二交互特征进行特征拼接得到拼接特征，然后通过第一卷积核将拼接特征进行卷积操作以得到拼接交互特征；
特征融合模块将第一交互特征和第二交互特征进行特征相乘以对预设特征空间中的非线性规律进行编码从而得到组合交互特征，并将线性交互特征、拼接交互特征和组合交互特征的对应元素取平均以得到关联交互特征。
7.根据权利要求6所述的系统，其特征在于，所述商品规格数据包括商品名字、商品颜色和商品尺寸。
8.根据权利要求1至7之一所述的系统，其特征在于，所述零售管理数据包括：货架占有率、陈列合格率和商品库存率。
CN202210405759.2A 2022-04-18 2022-04-18 一种基于深度神经网络的无人商店的库存管理系统 Pending CN114863233A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210405759.2A CN114863233A (zh) 2022-04-18 2022-04-18 一种基于深度神经网络的无人商店的库存管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210405759.2A CN114863233A (zh) 2022-04-18 2022-04-18 一种基于深度神经网络的无人商店的库存管理系统

Publications (1)

Publication Number Publication Date
CN114863233A true CN114863233A (zh) 2022-08-05

Family

ID=82631342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210405759.2A Pending CN114863233A (zh) 2022-04-18 2022-04-18 一种基于深度神经网络的无人商店的库存管理系统

Country Status (1)

Country Link
CN (1) CN114863233A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385723A (zh) * 2023-04-11 2023-07-04 特斯联科技集团有限公司 基于室内定位的智能零售系统和方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116385723A (zh) * 2023-04-11 2023-07-04 特斯联科技集团有限公司 基于室内定位的智能零售系统和方法
CN116385723B (zh) * 2023-04-11 2023-09-15 特斯联科技集团有限公司 基于室内定位的智能零售系统和方法

Similar Documents

Publication Publication Date Title
US10592780B2 (en) Neural network training system
CN113256640B (zh) 基于PointNet网络点云分割及虚拟环境生成方法和装置
Pintus et al. A survey of geometric analysis in cultural heritage
Kekre et al. Query by image content using colour averaging techniques
CN110659665A (zh) 一种异维特征的模型构建方法及图像识别方法、装置
CN114550053A (zh) 一种交通事故定责方法、装置、计算机设备及存储介质
CN114241459B (zh) 一种驾驶员身份验证方法、装置、计算机设备及存储介质
CN113822282A (zh) 图像语义分割方法、装置、计算机设备及存储介质
CN114419351A (zh) 图文预训练模型训练、图文预测模型训练方法和装置
CN114970447B (zh) 一种汉字字体转换方法、装置、设备和存储介质
CN114863233A (zh) 一种基于深度神经网络的无人商店的库存管理系统
JPH09502586A (ja) データ分析方法及び装置
Kekre et al. Amelioration of colour averaging based image retrieval techniques using even and odd parts of images
Zhu et al. Learning domain-invariant feature for robust depth-image-based 3D shape retrieval
CN115375548A (zh) 一种超分辨率的遥感图像生成方法、系统、设备和介质
Zhang et al. Satellite image super-resolution based on progressive residual deep neural network
CN114943937A (zh) 行人重识别方法、装置、存储介质及电子设备
CN110163149A (zh) Lbp特征的获取方法、装置和存储介质
CN111311732B (zh) 3d人体网格获取方法及装置
CN114821101A (zh) 一种基于大数据和人工智能的商品零售管理方法
Qi et al. JAED-Net: joint attention encoder–decoder network for road extraction from remote sensing images
CN110956599A (zh) 图片处理方法和装置、存储介质及电子装置
Lv et al. BTS: a binary tree sampling strategy for object identification based on deep learning
CN112200598B (zh) 图片广告识别方法、装置、计算机设备
Iwaszczuk et al. Semantic labeling of structural elements in buildings by fusing RGB and depth images in an encoder-decoder CNN framework

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220805